面向医学图像分割的超像素U-Net网络设计
近年来,超像素在医学图像处理领域的应用愈加广泛,现有的方法取得了较好的效果,如LAW,SLIC等.然而,这些方法在处理医学图像得到超像素时,位于组织边缘像素点的划分仍存在类别模糊问题.为此,提出一种基于U-Net网络的超像素分割方法.首先,通过双边滤波模型过滤外部噪声,增强超像素信息;然后,结合U-Net卷积网络学习图像特征.该方法为U-Net网络中每个特征尺度的卷积层后嵌入一个规范层,用于增强网络对参数的敏感性.实验结果表明,该方法有效提高了医学图像超像素的分割精度,与ground truth相比,其改善了超像素边缘分类的准确性,优化了超像素分割结果,在精确度、召回率、F-measure和分割速度等性能指标上均取得了更好的效果.
超像素、双边滤波、卷积网络、U-Net、医学图像分割
31
TP391.41(计算技术、计算机技术)
国家自然科学基金重点项目浙江联合基金U1609218;国家自然科学基金61572286, 61472220;山东省重点研发计划2017CXGC1504;山东省省属高校优秀青年人才联合基金项目ZR2017JL029;山东省高等学校优势学科人才团队培育计划
2019-07-05(万方平台首次上网日期,不代表论文的发表时间)
共11页
1007-1017